阿米尼·尼亚基（Amini Niaki），新浪;伊桑·哈希亚特;特雷弗·坎贝尔;阿努什·普尔萨蒂普;雷扎·瓦齐里 基于物理信息的神经网络，用于模拟制造过程中复合材料-苯酚系统的热化学固化过程。 （英语） Zbl 1506.74123号 计算。方法应用。机械。工程师。 384，文章ID 113959，23 p.（2021）. 摘要：我们提出了一种物理信息神经网络（PINN）来模拟在高压釜中固化的工具上复合材料的热化学演变。特别是，我们通过使用基于物理的损失函数优化深度神经网络（DNN）的参数来解决控制微分方程耦合系统，包括传导传热和树脂固化动力学。为了解释热传导和树脂固化的巨大差异，我们设计了一个由两个断开的子网络组成的PINN，并开发了一种顺序训练算法，以缓解传统训练方法中存在的不稳定性。此外，我们将明确的不连续性纳入复合工具界面的DNN中，并直接在损失函数中强制执行已知的物理行为，以改进界面附近的解决方案。我们使用一种技术来训练PINN，该技术根据PDE、边界、界面和初始条件对应的损失项自动调整权重。最后，我们证明了可以将问题参数作为模型的输入，从而生成一个代理，为一系列问题设置提供实时模拟，并且可以使用转移学习大大减少与初始训练模型类似的问题设置的训练时间。在具有不同材料厚度和热边界条件的多个场景中，验证了所提出的PINN的性能。 引用于20文件 MSC公司： 第74页第25页 固体力学中的化学和反应效应 68T07型 人工神经网络与深度学习 关键词：基于物理的神经网络;深度学习;复合材料加工;放热传热;树脂反应;代理建模 软件：亚当;凯拉斯;hp-车辆识别号;DGM公司;TensorFlow公司;DiffSharp（差异锐化）;SciANN公司;PyTorch公司;深XDE;github;FEAPpv公司;科学Py;西雅娜 PDF格式BibTeX公司 XML格式引用 \textit｛S.Amini Niaki｝等人，计算机。方法应用。机械。工程384，文章ID 113959，23 p.（2021；Zbl 1506.74123） 全文： DOI程序 arXiv公司 参考文献： [1] Campbell，Flake C.，《先进复合材料制造工艺》（2003），埃尔塞维尔 [2] 安德鲁·约翰斯顿（Andrew Johnston）；帕斯卡·休伯特（Pascal Hubert）；戈兰·芬伦德；瓦齐里，雷扎；Poursartip，Anoush，采用虚拟高压釜概念的复合结构过程建模，Sci。工程组成。材料。，5, 235-252 (1996) [3] Boyard，Nicolas，《聚合物复合材料中的传热：成型过程》（2016），John Wiley&Sons [4] 齐恩基维茨（Olek C.Zienkiewicz）。；罗伯特·L·泰勒。；朱建忠，《有限元方法：基础与基础》（2005），爱思唯尔出版社 [5] 菲利普·博伊斯（Philippe Boisse）；巴西姆Zouari；Gasser，Alain，用于模拟编织纤维复合材料成型的介观方法，Compos。科学。技术。，65, 3-4, 429-436 (2005) [6] 纳希内·哈米拉；菲利普·博伊斯（Philippe Boisse）；弗朗西斯·萨布林（Francis Sabourin）；Brunet，Michel，纺织复合材料增强成型模拟的半离散壳有限元，国际。J.数字。方法工程，79，12，1443-1466（2009）·Zbl 1176.74183号 [7] 安德鲁·约翰斯顿（Andrew Johnston）；瓦齐里，雷扎；Poursartip，Anoush，层压复合材料结构过程诱导变形的平面应变模型，J.Compos。材料。，1435-1469年5月16日（2001年） [8] Fernlund，G。；Osooly，A。；Poursartip，A。；瓦齐里，R。；库吉，R。；Nelson，K。；乔治·P。；亨德里克森。；Griffith，J.，使用2D过程分析和3D结构分析对蒸压复合材料结构的过程诱导变形进行基于有限元的预测，Compos。结构。，62, 2, 223-234 (2003) [9] 谭华；Pillai，Krishna M.，液体复合材料成型的双尺度纤维预制件中不饱和流动的多尺度建模I：等温流动，复合材料A，43，1，1-13（2012） [10] 拉姆·莫汉（Ram V.Mohan）。；Ngo，N.D。；Tamma，Kumar K.，《关于树脂转移模具填充模拟的纯有限元方法》，Polym。工程科学。，39, 1, 26-43 (1999) [11] 帕斯卡·休伯特（Pascal Hubert）；瓦齐里，雷扎；Poursartip，Anoush，复杂形状复合材料层压板过程模拟的二维流动模型，国际。J.数字。方法工程，44，1，1-26（1999）·Zbl 0938.74067号 [12] 阿米尼·尼亚基（Amini Niaki），新浪；Alireza Forghani；瓦齐里，雷扎；Poursartip，Anoush，复合材料两相集成流动-应力过程模型，应用于高压缩相，Mech。材料。，109, 51-66 (2017) [13] 阿米尼·尼亚基（Amini Niaki），新浪；Forghani、Alireza；瓦齐里，雷扎；Poursartip，Anoush，复合材料加工的三相集成流-应力模型，机械。材料。，117, 152-164 (2018) [14] 阿米尼·尼亚基（Amini Niaki），新浪；Alireza Forghani；瓦齐里，雷扎；Poursartip，Anoush，《复合材料过程模拟的正交异性综合流动应力模型——第1部分：两相系统》，J.Manuf.Sci。工程，141，3，第031010条pp.（2019） [15] 阿米尼·尼亚基（Amini Niaki），新浪；Alireza Forghani；礼萨，瓦齐里；Poursartip，Anoush，《复合材料过程模拟的正交异性综合流动应力模型——第二部分：三相系统》，J.Manuf.Sci。工程，141，3，第031011条pp.（2019） [16] Yann LeCun；约书亚·本吉奥；杰弗里·辛顿（Geoffrey Hinton），《深度学习》（Deep learning），《自然》（Nature），521、7553、436-444（2015） [17] James Bergstra、Olivier Breuleux、Frédéric Bastien、Pascal Lamblin、Razvan Pascanu、Guillaume Desjardins、Joseph Turian、David Warde-Farley、Yoshua Bengio、Theano:CPU和GPU数学表达式编译器，摘自：科学计算会议Python会议记录，SciPy，德克萨斯州奥斯汀，2010年，第1-7页。 [18] Baydin，在Günes；巴拉克·A·皮尔默特。；阿列克谢·安德烈耶维奇（Alexey Andreyevich Radul）；Jeffrey Mark Siskind，《机器学习中的自动差异化：一项调查》，J.Mach。学习。第18，1555-5637号决议（2017年）·Zbl 06982909号 [19] 厄莫利耶夫·于姆（Yu M.Ermoliev）。；Wets，R.J.-B，《随机优化的数值技术》（1988年），施普林格出版社·Zbl 0658.00020号 [20] 阿努吉·卡帕坦；高瑟姆阿特卢里；Faghous，James H。；迈克尔·斯坦巴赫；阿林达姆·巴内吉；Auroop Ganguly；谢哈尔、沙什；长岛萨马托娃；Kumar，Vipin，《神学指导的数据科学：从数据中科学发现的新范式》，IEEE Trans。知识。数据工程，29，10，2318-2331（2017） [21] 尼古拉斯·瓦格纳（Nicholas Wagner）；Rondinelli，James M.，材料科学中的理论指导机器学习，前沿。材料。，3, 28 (2016) [22] DeVries，Phoebe M.R。；费尔南达维加斯；马丁·瓦滕伯格（Martin Wattenberg）；Meade，Brendan J.，《大地震后余震模式的深度学习》，《自然》，560，7720，632-634（2018） [23] 梁，梁；刘敏亮；凯特琳·马丁；孙伟，《估算应力分布的深度学习方法：有限元分析的快速准确替代物》，J.R.Soc.Interface，15，138，Article 20170844 pp.（2018） [24] Navid Zobeiry、Andrew Stewart、Anoush Poursartip，《机器学习在复合材料过程建模中的应用》，摘自：SAMPE虚拟会议，2020年。 [25] Navid Zobeiry、David van Ee、Anthony Floyd、Anoush Poursartip、Theory-Guided Machine Learning Composites Processing Modelling for Manufacturity Assessment in Prepartial Design、NAFEMS World Congress，2019年。 [26] Kleijnen，Jack P.C.，约束仿真优化的响应面方法：综述，Simul。模型。实际。理论，16，1，50-64（2008） [27] Rasmussen，Carl Edward，机器学习中的高斯过程，（机器学习暑期学校（2003），Springer），63-71·兹比尔1120.68436 [28] Noble，William S.，什么是支持向量机？，自然生物技术。，24, 12, 1565-1567 (2006) [29] 马齐亚·莱斯；巴黎佩迪卡里斯；George E.Karniadakis，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378686-707（2019）·Zbl 1415.68175号 [30] Andrew J.米德。；Fernandez，Alvaro A.，《用前馈神经网络数值求解线性常微分方程》，数学。计算。建模，19，12，1-25（1994）·Zbl 0807.65079号 [31] Psichogios，Dimitris C。；Ungar，Lyle H.，过程建模的混合神经网络第一原理方法，AIChE J.，38，10，1499-1511（1992） [32] Isaac E.Lagaris。；利卡斯，阿里斯蒂迪斯；Fotiadis，Dimitrios I.，求解常微分方程和偏微分方程的人工神经网络，IEEE Trans。神经网络。，9, 5, 987-1000 (1998) [33] 庞国飞；Karniadakis，George Em，偏微分方程的基于物理的学习机器：高斯过程与神经网络，（非线性科学新兴前沿（2020），Springer），323-343 [34] 贾斯汀·西里尼亚诺；Spiliopoulos，Konstantinos，DGM：解偏微分方程的深度学习算法，J.Compute。物理。，375, 1339-1364 (2018) ·Zbl 1416.65394号 [35] Jens Berg；Nyström，Kaj，复杂几何偏微分方程的统一深度人工神经网络方法，神经计算，317，28-41（2018） [36] Anitescu、Cosmin；埃琳娜·阿特罗申科；纳伊夫·阿拉伊兰；Rabczuk，Timon，解二阶边值问题的人工神经网络方法，计算。马特。容器。，59, 1, 345-359 (2019) [37] Ehsan Kharazmi；张忠强；Karniadakis，George Em，解偏微分方程的变分物理神经网络（2019），arXiv预印本arXiv:1912.00873 [38] 孙鲁宁；高，韩；潘绍武；Wang，Jian-Xun，基于物理约束的无模拟数据深度学习的流体流动替代建模，计算。方法应用。机械。工程，361，第112732条pp.（2020）·兹比尔1442.76096 [39] 阿米亚·贾格塔普（Ameya D.Jagtap）。；Ehsan Kharazmi；Karniadakis，George Em，守恒定律离散域上的保守物理信息神经网络：正问题和逆问题的应用，计算。方法应用。机械。工程，365，第113028条pp.（2020）·Zbl 1442.92002号 [40] 越南阮坦；庄小英；Rabczuk，Timon，《有限变形超弹性的深能方法》，《欧洲力学杂志》。A Solids，80，第103874条pp.（2020）·Zbl 1472.74213号 [41] 索姆达塔·戈斯瓦米；Anitescu、Cosmin；查克拉波蒂，苏维克；Rabczuk，Timon，传输学习增强的物理信息神经网络，用于断裂的相场建模，Theor。申请。分形。机械。，第106条，第102447页（2020年）·Zbl 1442.74202号 [42] 伊桑·哈希亚特；马齐亚·莱斯；阿德里安·穆尔（Adrian Moure）；赫克托尔·戈麦斯（Hector Gomez）；Juanes，Ruben，《固体力学反演和代理建模的基于物理的深度学习框架》，计算。方法应用。机械。工程，379，113741（2021）·Zbl 1506.74476号 [43] 何其志；大卫·巴拉哈斯·索拉诺；古泽尔·塔塔科夫斯基（Guzel Tartakovsky）；Tartakovsky，Alexandre M.，《应用于地下运输的多物理数据同化的物理信息神经网络》，水资源高级研究所。，第103610条第（2020）页 [44] Ehsan Kharazmi；张忠强；Karniadakis，George Em，hp-VPINNs:带区域分解的变分物理信息神经网络，计算。方法应用。机械。工程，374113547（2021）·Zbl 1506.68105号 [45] 帕斯卡·休伯特（Pascal Hubert）；安德鲁·约翰斯顿（Andrew Johnston）；Poursartip，Anoush；Nelson，Karl，Hexel 8552环氧树脂的固化动力学和粘度模型，（国际SAMPE研讨会和展览（2001），SAMPE，1999），2341-2354 [46] 纳维德·佐拜里；Humfeld，Keith D.，《先进制造和工程应用中求解传热方程的基于物理的机器学习方法》，《工程应用》。工件。智力。，101，第104232条pp.（2021） [47] 西比，P。；Jones，S.Allwyn；Siddarth，P.，使用反向传播神经网络分析不同的激活函数，J.Theor。申请。技术信息。，47, 3, 1264-1268 (2013) [48] 张冬坤；鲁，鲁；郭玲；George Em，Karniadakis，量化物理信息神经网络中用于解决正向和反向随机问题的总不确定性，J.Compute。物理。，397，第108850条pp.（2019）·Zbl 1454.65008号 [49] 旧金山Sahli Costabal；杨一波；巴黎佩迪卡里斯；Daniel E.Hurtado。；Kuhl，Ellen，《心脏激活映射的物理信息神经网络》，Front。物理。，8, 42 (2020) [50] 马勒（R.Timothy Marler）；Arora，Jasbir S.，《多目标优化的加权和法：新见解》，结构。多磁盘。最佳。，41, 6, 853-862 (2010) ·Zbl 1274.90359号 [51] 王思凡；滕玉君；Perdikaris，巴黎，《理解和缓解物理信息神经网络中的梯度病理学》（2020年），arXiv预印本arXiv:2001.04536 [52] 亚历山大·弗雷斯特（Alexander Forrester）；索贝斯特（Andras Sobester）；安迪·基恩（Andy Keane），《通过替代建模进行工程设计：实用指南》（2008），约翰·威利父子公司（John Wiley&Sons） [53] 内斯特五世奎波。；拉斐尔·哈夫特卡（Raphael T.Haftka）。；害羞，伟；图沙尔·戈尔；拉吉库马尔·瓦伊迪亚纳桑；Tucker，P.Kevin，基于代理的分析和优化，Prog。Aerosp.航空公司。科学。，41, 1, 1-28 (2005) [54] 蒋平；周，齐；邵新余，基于替代模型的工程设计与优化（2020），施普林格 [55] 朱银浩；尼古拉斯·扎巴拉斯；库苏雷拉基斯（Koutsourelakis），斐东（Phaedon）-斯泰利奥斯（Stelios）；巴黎Perdikaris，《无标记数据的高维代理建模和不确定性量化的物理约束深度学习》，J.Compute。物理。，394，56-81（2019）·Zbl 1452.68172号 [56] Twardowski，T.E。；林，S.E。；Geil，P.H.，《厚复合材料层压板的固化：实验和模拟》，J.Compos。材料。，27, 3, 216-250 (1993) [57] Martín Abadi、Paul Barham、Jianmin Chen、Zhifeng Chen、Andy Davis、Jeffrey Dean、Matthieu Devin、Sanjay Ghemawat、Geoffrey Irving、Michael Isard等。《张力流：大规模机器学习系统》，收录于：第十二届USENIX操作系统设计与实现研讨会，OSDI 162016年，第265-283页。 [58] 亚当·帕斯克（Adam Paszke）；格罗斯，萨姆；马萨，弗朗西斯科；亚当·莱勒（Adam Lerer）；詹姆斯·布拉德伯里（James Bradbury）；格雷戈里·查南；特雷弗·基林；林泽明；纳塔利亚·吉梅尔谢恩（Natalia Gimelshein）；安提卡、卢卡、派托尔：一个命令式、高性能的深度学习库，（神经信息处理系统进展（2019）），8026-8037 [59] Cholet、François、Keras（2015）、GitHub、，https://github.com/fchollet/keras [60] 鲁，鲁；孟旭辉；毛志平；Karniadakis，George Em，DeepXDE:解微分方程的深度学习库，SIAM Rev.，63，1，208-228（2021）·Zbl 1459.65002号 [61] 伊桑·哈希亚特；Juanes，Ruben，SciANN:使用人工神经网络进行科学计算和基于物理的深度学习的keras/张量流包装器，Compute。方法应用。机械。工程，373，第113552条pp.（2021）·Zbl 1506.65251号 [62] Diederik P.Kingma，Jimmy Ba，Adam：随机优化方法，载于：第三届学习表征国际会议论文集，ICLR，2015，第1-15页。 [63] 融合制造技术。公司，Ehsan，RAVEN 3.13.1（2020），www.convergent.ca/products/RAVEN-simulation-software 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。